【Python机器学习】论文中常见的t⁃sne 降维图是如何画出来的

1.t-SNE简介

t-SNE (t-distributed Stochastic Neighbor Embedding) 是一种非线性降维技术，常用于在二维或三维空间中可视化高维数据。它通过将相似的数据点在低维空间中尽量靠近，而不相似的数据点则远离，从而揭示数据的结构和模式。以下是 t-SNE 的一些关键特点和步骤：

t-SNE 的特点

1. 保留局部结构：t-SNE 主要关注局部结构，确保高维空间中距离较近的点在低维空间中也保持相近。
2. 适用于非线性数据：与主成分分析 (PCA) 等线性降维技术不同，t-SNE 可以处理非线性关系的数据。
3. 高计算复杂度：由于需要计算高维空间中所有点对的距离，并在低维空间中进行优化，t-SNE 的计算量较大，尤其是对于大规模数据集。

t-SNE 的工作原理

1. 计算高维空间中的相似度：t-SNE 使用高斯分布来计算高维空间中数据点之间的相似度，即给定数据点 i 和 j，计算它们在高维空间中作为邻居的概率。
2. 计算低维空间中的相似度：在低维空间中，t-SNE 使用学生 t 分布来计算数据点 i 和 j 的相似度，这种分